一种智能光伏双层优化寻优调控方法及系统

技术领域

本发明涉及光储能与保持负载最大功率输出技术领域，具体涉及一种智能光伏双层优化寻优调控方法及系统。

背景技术

随着人类无止境的开发地球能源，人类所面临的资源枯竭危机不断加深，加上地球生态环境的不断恶化，进入新世纪以来，人类已经遭遇了前所未有的生存危机。人类只有一个地球，其生态系统是不可能再造的。早在17世纪初，人类就已经意识到这一问题，并在新能源探索上不断做出努力，特别是太阳能利用领域取得辉煌成就。

随着国家补贴力度加大和光伏产业的科技进步，二次能源光伏产业得到了很大程度的发展，其组件成本也呈现出持续走低的势头。然而，太阳能属于稳定度低、时断时续的二次能源，使得光伏电站的输出功率也存在稳定性差以及间歇性的特征。其中，光伏电站电气属性、天气气候条件是影响光伏发电量的重要因素，故准确认识到这两个因素对预测光伏发电功率的影响，从而进行适当计划和调度，具有重要的研究意义。

近年来光伏企业的光伏功率调控器工作方式有以下几种：

传统电站方案中，光伏组件经过汇流、逆变器，最后接入箱式变压器升压，把电能送到升压站并入电网，MPPT功能集成在逆变器中，逆变器MPPT路数少，易受现场各种复杂情况的影响，造成发电量的损失，例如因组件不匹配、灰尘、阴影遮挡、组件温升或破损(热斑效应)等原因，光伏系统实际发电量比理论值要低10％-25％，其中热斑效应甚至会严重影响组件性能及其寿命。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种智能光伏双层优化寻优调控方法及系统，提出的最大功率跟踪方法可以大幅度提高跟踪速度和可靠性，使负载端保持最大功率出力，提高能源的最大利用率，同时结合电池组可以稳定输出功率、缓冲、平滑电力负载需求。

技术方案：本发明提供一种智能光伏双层优化寻优调控方法，包括如下步骤：

步骤1：获取光伏太阳能出力；

步骤2：构建双层优化功率调节模型，所述双层优化功率调节模型包括第一层光伏出力预测模型以及第二层最大功率点优化模型；

步骤3：构建基于金枪鱼算法TSO优化ELM模型的第一层光伏出力预测模型，采用金枪鱼算法TSO对ELM模型中的权重以及偏差值进行优化，以步骤1中光伏太阳能出力为输入利用所述光伏出力预测模型预测光伏太阳能出力；

步骤4：构建基于乌鸦群优化算法CSA的第二层最大功率点优化模型，以第一层预测的光伏太阳能出力对应的电压、电流作为输入，计算每只乌鸦对应的输出功率，确定其适应度值，功率的最大值作为CSA迭代寻优的目标函数，追踪最大功率点；

步骤5：以步骤4所述的追踪的最大功率点作为负载的最大功率出力。

进一步地，所述步骤3中构建基于金枪鱼算法TSO优化ELM模型的第一层光伏出力预测模型，并且对金枪鱼算法TSO进行改进，对TSO算法中的权重系数α

其中，t表示当前迭代次数，t

进一步地，所述步骤3中基于改进金枪鱼算法TSO优化ELM模型的第一层光伏出力预测模型具体步骤为：

步骤3.1：确定ELM预测模型第j个隐藏层节点的输出h

h

式中g(w

步骤3.2：确定EML预测模型隐藏层的输出H(x)，计算公式如下所示：

H(x)＝[h

步骤3.3：当信号通过隐藏层进入输出层时，记ELM预测模型的输出为T，表达公式如下所示：

式中β

步骤3.4：求解输出层权重β，通过最小二乘法求解方程进而寻找最小训练误差，求解的目标函数如下所示：

式中：ξ表示训练误差，H

步骤3.5：采用ITSO算法对ELM模型中的权重以及偏差值进行优化，通过在搜索空间中均匀随机生成初始种群了启动优化过程，初始化公式如下所示：

步骤3.6：算法模拟金枪鱼的两种合作觅食行为，即螺旋觅食和抛物线觅食，当执行螺旋觅食时，种群位置的表达式如下所示：

当

当

式中：t表示当前迭代次数，t

步骤3.7：当执行抛物线觅食时，种群位置可表示为：

式中，TF为-1或1的随机数，表示种群开发方向；p为随迭代次数自适应变化的关键参量，表示种群开发的幅度；

进一步地，所述步骤4中基于乌鸦群优化算法CSA的第二层最大功率点优化模型，所述乌鸦群优化算法CSA的模型是基于乌鸦隐藏和获取额外食物的习惯，实现过程如下

步骤4.1：初始化参数，设置乌鸦的数量(N)、迭代次数表示为k、最大迭代次数Iter

步骤4.2：初始化乌鸦的位置，第i个乌鸦的位置用向量Z

步骤4.3：采集第一层优化所得到的电压、电流，计算每只乌鸦对应的输出功率，确定其适应度值，功率的最大值作为CSA迭代寻优的目标函数，输出功率的计算公式如下：

P＝UI

步骤4.4：更新乌鸦位置，乌鸦位置更新情况分为两种

情况1：在CSA的每一次迭代中，为了更新乌鸦i的位置，乌鸦i随机选择另一只乌鸦j，如果乌鸦j不知道被乌鸦i跟踪，乌鸦i更新它的位置为：

其中，L

情况2：如果乌鸦j知道被乌鸦i跟踪，乌鸦j会随机进入搜索空间的位置来愚弄乌鸦i，乌鸦位置更新为：

式中r

步骤4.5：检测新位置的可行性，如果乌鸦的位置是可行的，乌鸦则会更新它的位置；否则乌鸦停留在当前位置，不会移到新的位置；

步骤4.6：评估新位置的目标函数P，计算每只乌鸦的新位置的目标适应度函数值；

步骤4.7：判断是否满足终止条件，如果不满足返回步骤4.3，如果满足，停止算法；

步骤4.8：保持工作在最大输出点；

步骤4.9：测量输出功率，判断是否满足重启条件，若满足重启条件则重启算法并返回步骤4.3，所述重启条件为：当外部光照温度条件或者遮挡情况发生变化时，需重启算法，改变光伏系统的工作状态以适应光伏阵列输出特性的变化。

进一步地，所述重启条件如下：

式中：P

进一步地，对所述基于乌鸦群优化算法CSA的第二层最大功率点优化模型中的感知概率进行改进，引入动态感知概率DAP替代AP：

式中，xU为在优化过程中观察到的最低适应度值，对于以最小化为目标的优化问题，xU可以计算为xU＝maxF(Z

本发明还公开一种智能光伏双层优化寻优调控系统，包括光伏太阳能板组、预测模型、DC-DC转换器、电池组、MPPT控制器、智能算法控制模块、一对电传感器、负载端；

所述光伏太阳能板组输出端与预测模型输入端连接，所述预测模型输出端与电传感器连接，所述光伏太阳能板组、预测模型以及电传感器构成第一层优化模型，所述预测模型中设置有权利要求1至3任一所述的光伏优化功率调节方法，所述光伏太阳能板组经预测模型得到预测的光伏出力；

所述光伏太阳能板组输出端与DC-DC转换器连接，经DC-DC变换器改变电流输出；所述DC-DC变换器分别与电池组、MPPT控制器、智能算法控制模块连接，所述光伏太阳能板组、电池组、MPPT控制器、智能算法控制模块以及电传感器构成第二层优化模型，所述智能算法控制模块中设置有权利要求4至6任一所述的光伏优化功率调节方法，经MPPT控制器、智能算法控制模块追踪最大功率点；所述MPPT控制器结合智能算法控制模块输出端与电传感器连接，利用电传感器测量最大功率点对应的电流和电压值；所述电传感器输出端与负载端连接，使负载端保持最大功率出力；

所述第一层优化模型的电传感器的输出与第二层优化模型的MPPT控制器、智能算法控制模块输入连接，其光伏出力数据作为第二层优化模型的输入。

优选地，还包括变压器、防逆流装置以及电网，所述变压器、防逆流装置以及电网与所述电池组连接；所述电池组的容量设置大于负载端所需的电负荷，若所述负载端的电荷满足时，即光伏太阳能板组的多余电量输入电池组内储存起来，在满足负载端负荷所需和电池组储能单元负荷存储满值时，可将多余的电量通过变压器、防逆流装置输入至电网；若所述光伏太阳能板组与电池组的电量无法满足负载端电荷需求时，通过电网利用变压器传输电能至电池组，从而保证光伏太阳能板组产生的电量与电池组的电量能够满足负载端的电荷所需。

有益效果：

1、本发明的光伏太阳能板组经模型预测算法得到光伏出力；同时经DC-DC变换器改变电流输出，经MPPT控制器结合智能算法控制模块追踪最大功率点。首先利用第一层优化得到光伏出力，并将光伏出力所得到的数据作为输入来优化第二层的光伏最大功率点，同时光伏出力得到的数据是一个长期数据，结合电池组可以提前调控，避免出现负载波动、功率缺荷等情况，而单单仅利用追踪最大功率点只能是实时数据，不能对未来情况进行调控，容易造成功率输出不稳定的情况。利用电传感器来测量最大功率点对应的电流和电压值并实时跟踪目标的输入、输出端口；可以大幅度提高跟踪速度和可靠性，使负载端保持最大功率出力，提高能源的最大利用率，同时结合电池组可以稳定输出功率、缓冲、平滑电力负载需求。

2、本发明所述的改进乌鸦算法与传统乌鸦算法对比，引入动态感知概率(DAP)，有效的使系统参数保持在期望的范围内来维持系统稳定性和可靠性。

3、本发明创新性的引入算法重启设计，进一步考虑到了外部条件的变化及光伏太阳能板遮挡的情况，本发明所提出的基于改进乌鸦算法ICSA的MPPT控制策略相比于基于P&O的MPPT控制策略未考虑到局部阴影遮挡条件下的情况，可以有效地提高系统发电效率，具有良好追踪精度，同时所提出的基于ICSA的MPPT控制策略在无阴影遮挡、局部阴影遮挡和变化阴影遮挡条件下都拥有良好的性能，具有普适性。

4、本发明所提出的双层优化策略，较以往仅考虑MPPT控制的情况，预测光伏出力结合改进后的MPPT控制策略，可以让其保持最高的输出功率，提高了能源利用率，同时引入电池组可以更好的平衡负载波动，达到稳定负载输出的作用。

附图说明

图1为本发明的结构示意图；

图2为本发明提出的ITSO-ELM预测模型流程图；

图3为本发明提出的改进乌鸦算法流程图；

图4为两种设备的输出效率对比图；

图5为两种设备P-U输出特性对比图；

图6为两种设备负载输出功率对比图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

参见图1，本发明提供一种智能光伏双层优化寻优调控系统，包括光伏太阳能板组、预测模型、DC-DC转换器、电池组、变压器、防逆流装置、电网、MPPT控制器、智能算法控制器、电传感器、负载端。

光伏太阳能板组输出端与预测模型输入端连接，预测模型输出端与电传感器连接，光伏太阳能板组、预测模型以及电传感器构成第一层优化模型，预测模型中设置有光伏优化功率调节方法，所述光伏太阳能板组经预测模型得到预测的光伏出力。

光伏太阳能板组输出端与DC-DC转换器连接，经DC-DC变换器改变电流输出；DC-DC变换器分别与电池组、MPPT控制器、智能算法控制模块连接，光伏太阳能板组、电池组、MPPT控制器、智能算法控制模块以及电传感器构成第二层优化模型，智能算法控制模块中设置有光伏优化功率调节方法，经MPPT控制器、智能算法控制模块追踪最大功率点；MPPT控制器结合智能算法控制模块输出端与电传感器连接，利用电传感器测量最大功率点对应的电流和电压值；电传感器输出端与负载端连接，使负载端保持最大功率出力。

第一层优化模型的电传感器的输出与第二层优化模型的MPPT控制器、智能算法控制模块输入连接，其光伏出力数据作为第二层优化模型的输入。

变压器、防逆流装置以及电网与所述电池组连接；电池组的容量设置大于负载端所需的电负荷，若负载端的电荷满足时，即光伏太阳能板组的多余电量输入电池组内储存起来，在满足负载端负荷所需和电池组储能单元负荷存储满值时，可将多余的电量通过变压器、防逆流装置输入至电网；若光伏太阳能板组与电池组的电量无法满足负载端电荷需求时，通过电网利用变压器传输电能至电池组，从而保证光伏太阳能板组产生的电量与电池组的电量能够满足负载端的电荷所需。

本发明首先利用第一层优化得到光伏出力，并将光伏出力所得到的数据作为输入来优化第二层的光伏最大功率点，同时光伏出力得到的数据是一个长期数据，结合电池组可以提前调控，避免出现负载波动、功率缺荷等情况，而单单仅利用追踪最大功率点只能是实时数据，不能对未来情况进行调控，容易造成功率输出不稳定的情况。

参见图2，本发明基于上述的智能光伏双层优化寻优调控系统，公开了一种智能光伏双层优化寻优调控方法，包括如下步骤：

步骤1：获取光伏太阳能出力。

步骤2：构建双层优化功率调节模型，所述双层优化功率调节模型包括第一层光伏出力预测模型以及第二层最大功率点优化模型。

步骤3：构建基于金枪鱼算法TSO优化ELM模型的第一层光伏出力预测模型，采用金枪鱼算法TSO对ELM模型中的权重以及偏差值进行优化，以步骤1中光伏太阳能出力为输入利用所述光伏出力预测模型预测光伏太阳能出力。

构建基于金枪鱼算法TSO优化ELM模型的第一层光伏出力预测模型，并且对金枪鱼算法TSO进行改进，对TSO算法中的权重系数α

基于改进金枪鱼算法ITSO优化ELM模型的第一层光伏出力预测模型具体步骤为：

步骤3.1：确定ELM预测模型第j个隐藏层节点的输出h

h

式中g(w

步骤3.2：确定EML预测模型隐藏层的输出H(x)，计算公式如下所示：

H(x)＝[h

步骤3.3：当信号通过隐藏层进入输出层时，记ELM预测模型的输出为T，表达公式如下所示：

式中β

步骤3.4：求解输出层权重β，通过最小二乘法求解方程进而寻找最小训练误差，求解的目标函数如下所示：

式中：ξ表示训练误差，H

步骤3.5：采用ITSO算法对ELM模型中的权重以及偏差值进行优化，通过在搜索空间中均匀随机生成初始种群了启动优化过程，初始化公式如下所示：

步骤3.6：算法模拟金枪鱼的两种合作觅食行为，即螺旋觅食和抛物线觅食，当执行螺旋觅食时，种群位置的表达式如下所示：

当

当

式中：t表示当前迭代次数，t

α

其中，t表示当前迭代次数，t

步骤3.7：当执行抛物线觅食时，种群位置可表示为：

式中，TF为-1或1的随机数，表示种群开发方向；p为随迭代次数自适应变化的关键参量，表示种群开发的幅度。

步骤4：构建基于乌鸦群优化算法CSA的第二层最大功率点优化模型，以第一层预测的光伏太阳能出力对应的电压、电流作为输入，计算每只乌鸦对应的输出功率，确定其适应度值，功率的最大值作为CSA迭代寻优的目标函数，追踪最大功率点。

所述乌鸦群优化算法CSA的模型是基于乌鸦隐藏和获取额外食物的习惯，实现过程如下：

步骤4.1：初始化参数，设置乌鸦的数量(N)、迭代次数表示为k、最大迭代次数Iter

步骤4.2：初始化乌鸦的位置，第i个乌鸦的位置用向量Z

步骤4.3：采集第一层优化所得到的电压、电流，计算每只乌鸦对应的输出功率，确定其适应度值，功率的最大值作为CSA迭代寻优的目标函数，输出功率的计算公式如下：

P＝UI

步骤4.4：更新乌鸦位置，乌鸦位置更新情况分为两种

情况1：在CSA的每一次迭代中，为了更新乌鸦i的位置，乌鸦i随机选择另一只乌鸦j，如果乌鸦j不知道被乌鸦i跟踪，乌鸦i更新它的位置为：

其中，L

情况2：如果乌鸦j知道被乌鸦i跟踪，乌鸦j会随机进入搜索空间的位置来愚弄乌鸦i，乌鸦位置更新为：

式中r

对基于乌鸦群优化算法CSA的第二层最大功率点优化模型中的感知概率进行改进，引入动态感知概率DAP替代AP：

式中，xU为在优化过程中观察到的最低适应度值，对于以最小化为目标的优化问题，xU可以计算为xU＝max F(Z

步骤4.5：检测新位置的可行性，如果乌鸦的位置是可行的，乌鸦则会更新它的位置；否则乌鸦停留在当前位置，不会移到新的位置。

步骤4.6：评估新位置的目标函数P，计算每只乌鸦的新位置的目标适应度函数值。

步骤4.7：判断是否满足终止条件，如果不满足返回步骤4.3，如果满足，停止算法。

步骤4.8：保持工作在最大输出点。

步骤4.9：测量输出功率，判断是否满足重启条件，若满足重启条件则重启算法并返回步骤4.3，所述重启条件为：当外部光照温度条件或者遮挡情况发生变化时，需重启算法，改变光伏系统的工作状态以适应光伏阵列输出特性的变化。

重启条件如下：

式中：P

步骤5：以步骤4所述的追踪的最大功率点作为负载的最大功率出力。

在改进乌鸦算法中，与AP对应的主值在优化技术的初始阶段被指定，并在整个优化问题中保持不变。在这种方法中，在勘探和开发过程之间保持适当的平衡比例变得单调乏味。在这种情况下，通过用动态感知概率(DAP)替换AP来增强探索和开发之间的关系，AP的概率值可以根据解的适应度质量而改变。

本发明MPPT调控器进一步考虑到外部光照温度条件或者遮挡情况，引入算法重启设计，改变光伏系统的工作状态以适应光伏太阳能板组输出特性的变化。

如图4所示，本发明所提出的智能光伏双层优化寻优调控系统的输出效率保持在93.998％-93.546％，明显优于传统单层的调节设备90.498％-90.337％，进一步的说明了本发明综合考虑预测光伏出力结合优化最大功率MPPT点的优越性。

如图5所示，为本发明的光伏优化功率调节系统和基于P&O的光伏功率调控器P-U输出特性对比图，本发明的提出的改进乌鸦算法并引入算法重启设计综合考虑了外部光照温度条件或者遮挡情况发生变化的情况，较传统的基于P&O的光伏功率调控器极大的提高了光伏的输出功率。

如图6所示，为本发明的引入电池组的功率调控器和未引入电池组的功率调控器的对比图，较传统的未引入电池组的功率调控器，本发明引入电池组稳定了输出功率、缓冲、平滑电力负载需求。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。